物流和货运代理公司 Flexport 正在推出一系列新产品和功能,其中许多都运用了 AI 技术。公司表示,这将是未来每半年一次的类似产品发布会的首次亮相。
这种做法与 Airbnb 的季度产品发布会颇为相似,实际上正是受到了后者的启发。
"这是 Brian Chesky 建议我这么做的," Flexport 创始人 Ryan Petersen 在采访中提到 Airbnb 的 CEO。"他做了一个很棒的演讲,Paul Graham 还为此写了一篇名为'创始人模式'的文章。我当时在场,他给出了一些很好的建议。"
据 Flexport 透露,下一次产品发布会将在"晚夏"举行。
Petersen 向 TechCrunch 表示,每年两次的"发布"节奏带来两大好处。首先,"没有什么比截止日期的压力更有效"。其次是关于营销效果。
"多年来我们开发了很多出色的技术,但都是零零散散地推出。缺乏声势浩大的宣传和讲述故事的机会,让客户难以全面了解我们的成果和建树," Petersen 告诉 TechCrunch。
Flexport 表示将在周一推出超过 20 款产品,许多是公司内部已在使用的,全部由 OpenAI、Anthropic 和 AWS 的 AI 技术支持。在 2023 年末解雇前亚马逊高管 Dave Clark 以"整顿公司"后,这次大规模产品发布恰逢 Petersen 重返 CEO 岗位满一年。
新产品中包括 Flexport Intelligence,允许企业通过自然语言提示获取货运信息。另一款名为 Control Tower 的产品将为客户提供"对整个物流网络的实时可视性和控制,即使是非 Flexport 管理的货运也包括在内"。
此前,这些任务都是由 Flexport 的员工为客户完成的。利用 AI 来执行这些任务,本质上改变了这种关系模式,这对公司来说是一个重大转变——特别是考虑到 Petersen 解雇 Clark 的原因之一就是认为公司贬低了客户关系的价值。
"这是我们非常关注的问题。我仍然坚信'以人为本'," Petersen 说。他表示新产品将提供"两全其美"的解决方案,因为企业仍可以联系 Flexport 的团队成员——理想情况下是熟悉他们的人——在需要时获得帮助。
为此,Petersen 表示他预计拥抱 AI 将帮助 Flexport 扩大团队规模,而不是取代员工。
"我认为——很可能就是我们——最善于自动化这项工作的公司不会减少员工。相反,你会需要更多人员,因为发展会非常迅速。如果你的成本比其他人低,你会需要比以往更多的人来做服务、销售、咨询、技术开发等工作,"他说。
Flexport 周一宣布的另一项举措是在其部分工作流程中引入 AI 语音助手。
Petersen 强调,Flexport 正谨慎地引入这项功能。目前公司正在物流平台上与卡车司机和仓库测试这项功能。AI 语音助手会致电司机,告知他们所在区域有可提货的货物,并致电仓库核实营业时间等基本信息。
Petersen 表示,这有助于处理这些简单对话,但 Flexport 仍通过平台的常规工作流程完成这些交易。他说,在语音助手的功能和可靠性提高之前,他对将其扩展到业务的其他部分持"谨慎"态度。
"我对这些面向客户的功能有很高的质量标准,"他说。"我认为未来如果 AI 能够很好地回答客户问题,客户会乐于与之对话。"
这并不意味着 Petersen 计划在整体 AI 应用上放慢脚步。事实上,他表示很喜欢 Flexport 能够快速试验的速度。
"我们的团队可以观察任何客户痛点,找到可以通过大语言模型或其他机器学习形式改进的流程,然后直接实施。第二天就可以投入使用,服务于数千家公司,无需签订企业合同或请求许可,"他说。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。